Детальная информация

Работа посвящена разработке программного средства для краткосрочного прогнозирования нагрузки в облачных вычислениях. Целью исследования является создание микросервиса, формирующего прогнозы загрузки серверов на основе анализа временных рядов, что способствует более эффективному динамическому распределению ресурсов. Методологическая основа работы включает архитектурное проектирование микросервисной системы с REST API и использование моделей машинного обучения (включая ансамбли) для прогнозирования. В реализации применялись шаблоны проектирования Strategy, Factory и Registry, обеспечивающие модульность и расширяемость архитектуры. В результате была создана масштабируемая система, поддерживающая как периодический запуск прогнозов, так и выполнение разовых сценариев, с возможностью динамического добавления новых стратегий без остановки сервиса. Проведено комплексное тестирование, подтвердившее соответствие системы заявленным требованиям. В ходе работы использовались следующие информационные технологии: язык программирования Python; фреймворки FastAPI и TensorFlow; библиотеки Pandas, Numpy, Apscheduler, Influxdb3-python, Pytest и Torchmetrics; база данных временных рядов InfluxDB; средства контроля версий Git и GitHub; архитектурные принципы RESTful API и микросервисный подход. Для разработки применялась среда Pycharm.

The work is devoted to the development of a software tool for short-term load forecasting in cloud computing. The aim of the research is to create a microservice that generates server load forecasts based on time series analysis, which contributes to more efficient dynamic resource allocation. The methodological framework of the work includes the architectural design of a microservice system with REST API and the use of machine learning models (including ensembles) for prediction. The implementation used Strategy, Factory and Registry design patterns to ensure modularity and extensibility of the architecture. As a result, a scalable system was created that supports both periodic forecasts and one-time scenarios, with the ability to dynamically add new strategies without stopping the service. Comprehensive testing was carried out, which confirmed the compliance of the system with the stated requirements. The following information technologies were used: Python programming language; FastAPI and TensorFlow frameworks; Pandas, Numpy, Apscheduler, Influxdb3-python, Pytest and Torchmetrics libraries; InfluxDB time series database; Git and GitHub version control tools; RESTful API architectural principles and microservice approach. The Pycharm environment was used for development.